論文の概要: Skill-based Explanations for Serendipitous Course Recommendation

• arxiv url: http://arxiv.org/abs/2508.19569v1
• Date: Wed, 27 Aug 2025 04:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.494905
• Title: Skill-based Explanations for Serendipitous Course Recommendation
• Title（参考訳）: serendipitous Course Recommendationのためのスキルベースの説明
• Authors: Hung Chau, Run Yu, Zachary Pardos, Peter Brusilovsky,
• Abstract要約: 本稿では,コース記述から関連する概念を効率的に抽出する深層学習に基づく概念抽出モデルを提案する。 本モデルを用いて, セレンディピティーズ・レコメンデーション・フレームワークにおけるスキルベースの説明の効果について検討した。 以上の結果から,これらの説明はユーザの関心を増すだけでなく,特に予期せぬコースにおいて,意思決定の自信を高めることが示唆された。
• 参考スコア（独自算出の注目度）: 2.0879226804312983
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Academic choice is crucial in U.S. undergraduate education, allowing students significant freedom in course selection. However, navigating the complex academic environment is challenging due to limited information, guidance, and an overwhelming number of choices, compounded by time restrictions and the high demand for popular courses. Although career counselors exist, their numbers are insufficient, and course recommendation systems, though personalized, often lack insight into student perceptions and explanations to assess course relevance. In this paper, a deep learning-based concept extraction model is developed to efficiently extract relevant concepts from course descriptions to improve the recommendation process. Using this model, the study examines the effects of skill-based explanations within a serendipitous recommendation framework, tested through the AskOski system at the University of California, Berkeley. The findings indicate that these explanations not only increase user interest, particularly in courses with high unexpectedness, but also bolster decision-making confidence. This underscores the importance of integrating skill-related data and explanations into educational recommendation systems.
• Abstract（参考訳）: アカデミックな選択は米国の学部教育において重要であり、学生がコース選択において重要な自由を許す。 しかし,複雑な学術的な環境をナビゲートすることは,限られた情報や指導,圧倒的な数の選択肢によって困難であり,時間制限や人気コースへの高い需要が伴う。 キャリアカウンセラーは存在するが、その数は不十分であり、パーソナライズされたコースレコメンデーションシステムは、学生の認識や授業関連性を評価するための説明を欠いていることが多い。 本稿では,コース記述から関連する概念を効率的に抽出し,レコメンデーションプロセスを改善するために深層学習に基づく概念抽出モデルを開発した。 このモデルを用いて、カリフォルニア大学バークレー校のAskOskiシステムを用いて、セレンディピティーズ・レコメンデーション・フレームワークにおけるスキルベースの説明の効果を検証した。 以上の結果から,これらの説明はユーザの関心を増すだけでなく,特に予期せぬコースにおいて,意思決定の自信を高めることが示唆された。 このことは、スキル関連のデータと説明を教育レコメンデーションシステムに統合することの重要性を浮き彫りにしている。

関連論文リスト

• Towards a Real-World Aligned Benchmark for Unlearning in Recommender Systems [49.766845975588275]
  推薦システムにおける非学習のためのより現実的なベンチマークの開発を導くために,設計デシダータと研究質問のセットを提案する。 我々は、現実世界の削除要求の逐次的で時間に敏感な性質を反映した、未学習のセットアップについて論じる。 本稿では,提案したdesiderataをベースとした次世代レコメンデーションセッティングの予備実験を行い,アンラーニングが逐次レコメンデーションモデルにも有効であることを確認した。
  論文  参考訳（メタデータ） (2025-08-23T16:05:40Z)
• A Survey on Recommendation Unlearning: Fundamentals, Taxonomy, Evaluation, and Open Questions [16.00188808166725]
  推薦システムは、ユーザの行動と意思決定を形作ることに、ますます影響力を増している。 レコメンデータシステムにおける機械学習モデルの普及は、ユーザのプライバシとセキュリティに関する重要な懸念を引き起こしている。 従来の機械学習手法は、協調的な相互作用やモデルパラメータによって引き起こされるユニークな課題のために、アンラーニングを推奨するのに不適である。
  論文  参考訳（メタデータ） (2024-12-17T11:58:55Z)
• CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
  CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。 さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
  論文  参考訳（メタデータ） (2024-08-26T16:21:50Z)
• Course Recommender Systems Need to Consider the Job Market [16.88792726960708]
  本稿では,職業市場のスキル要求を取り入れたコースレコメンデーションシステムの構築を目指して,産業界と連携して研究を行う学術研究者の視点に焦点を当てる。 本稿では,これらの要求を効果的に解決するためのコースレコメンデータシステムの基本的特性について概説する。 本稿では,言語モデル(LLM)をスキル抽出に用い,求人市場に合わせて強化学習(RL)を施した既存のリコメンデータシステムに対処する初期システムを提案する。
  論文  参考訳（メタデータ） (2024-04-16T19:52:57Z)
• Finding Paths for Explainable MOOC Recommendation: A Learner Perspective [2.4775868218890484]
  グラフ推論を用いたMOOC(Massive Open Online Courses)の推薦システムを提案する。 提案手法の実践的意義を検証するため,利用者の知覚を調査した。 2つの教育データセットで実験を行うことにより,本手法の一般化可能性を示す。
  論文  参考訳（メタデータ） (2023-12-11T15:27:22Z)
• Time-aware Self-Attention Meets Logic Reasoning in Recommender Systems [0.0]
  本稿では,TiSANCRに基づくリコメンデーションモデルを提案する。 TiSANCRは時間的パターンと自己認識機構を推論に基づくレコメンデーションに統合する。 ベンチマークデータセットの実験では、提案されたTiSANCRが大幅な改善を達成し、常に最先端のレコメンデーション手法より優れていることが示されている。
  論文  参考訳（メタデータ） (2022-08-29T01:46:42Z)
• A Unified End-to-End Retriever-Reader Framework for Knowledge-based VQA [67.75989848202343]
  本稿では,知識に基づくVQAに向けて,エンド・ツー・エンドのレトリバー・リーダー・フレームワークを提案する。 我々は、視覚言語による事前学習モデルからの多モーダルな暗黙の知識に光を当て、知識推論の可能性を掘り下げた。 提案手法では,知識検索のガイダンスを提供するだけでなく,質問応答に対してエラーが発生しやすいケースも排除できる。
  論文  参考訳（メタデータ） (2022-06-30T02:35:04Z)
• KnowledgeCheckR: Intelligent Techniques for Counteracting Forgetting [52.623349754076024]
  KnowledgeCheckRに統合された推奨アプローチの概要を提供します。 その例としては,将来的に繰り返される学習内容の識別を支援するユーティリティベースのレコメンデーション,セッションベースのレコメンデーションを実装するための協調フィルタリングアプローチ,インテリジェントな質問応答を支援するコンテントベースのレコメンデーションなどがある。
  論文  参考訳（メタデータ） (2021-02-15T20:06:28Z)
• Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
  ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。 不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。 本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-03T05:04:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。